Escolar Documentos
Profissional Documentos
Cultura Documentos
Quando a variável aleatória discreta X assume um conjunto finito de valores equiprováveis. A função
1
de probabilidade é dada por: 𝑓(𝑥𝑖 ) = 𝑃(𝑋 = 𝑥𝑖 ) = , sendo 𝑛, o número de casos possíveis.
𝑛
∑𝑛𝑖=1 𝑥𝑖 2
∑𝑛𝑖=1 𝑥𝑖 2 ∑𝑛𝑖=1(𝑥𝑖 2 − 𝜇 2 )
𝐸 (𝑋) = 𝐸 (𝑋 ) = 𝑒 𝑉𝑎𝑟(𝑋) = = 𝐸 (𝑋 2 ) − 𝐸 (𝑋)2
𝑛 𝑛 𝑛
1
A probabilidade de sair cada um dos números inscritos em cada face do dado é a mesma: = 0,167.
6
𝑥 1 2 3 4 5 6
𝑓(𝑥) 0,167 0,167 0,167 0,167 0,167 0,167
1
2
Distribuição Binomial
Sendo “𝑛” o número de vezes que a experiência aleatória é repetida, “𝑝” a probabilidade de sucesso,
e “𝑥” o número de sucessos nas “𝑛” repetições da experiência, a função de probabilidade de uma
variável aleatória associada a uma distribuição binomial é dada por:
𝑛!
𝑓(𝑥 ) = C𝑥𝑛 ∗ 𝑝 𝑥 ∗ (1 − 𝑝)𝑛−𝑥 = ∗ 𝑝 𝑥 ∗ (1 − 𝑝)𝑛−𝑥 , para 𝑥 = 0, 1, 2, …,
𝑥!(𝑛−𝑥)!
Na fórmula anterior, são usadas combinações acontece porque há várias sequências possíveis de
resultados nas quais “𝑥” sucessos podem ocorrer e todas têm de ser contabilizadas.
𝑛!
𝐶𝑥𝑛 =
𝑥! (𝑛 − 𝑥 )!
Seja X uma variável aleatória que segue uma Distribuição Binomial, a sua média é: 𝐸(𝑋) = 𝑛 ∗ 𝑝
E a sua variância é: 𝑉𝑎𝑟(𝑋) = 𝐸 [(𝑋 − 𝜇𝑋 )2 ] = n ∗ p ∗ (1 − p)
A não ser que “𝑛” seja relativamente pequeno, o cálculo probabilístico com funções de probabilidade
que seguem uma distribuição binomial pode tornar-se bastante trabalhoso. Muitas vezes, é mais
simples calcular essas mesmas probabilidades por aproximação (ver tabelas).
3
Exemplo: Suponha que temos uma urna com 3 bolas azuis e 7 vermelhas. Retirando sequencialmente
e com reposição 3 bolas, qual o número de bolas azuis que pode sair?
4
X – “Nº de bolas azuis obtidas na experiência A”
𝑥𝑖 0 1 2 3
𝑓(𝑥𝑖 ) 0,343 0,441 0,189 0,027
𝐹(𝑥𝑖 ) 0,343 0,784 0,973 1
5
𝑋 ~ 𝐵𝑖 (𝑛 = 3, 𝑝 = 0,3), sendo 𝑛 o número extrações e 𝑝 a probabilidade de sair uma bola azul
𝑓 (𝑥 ) = C𝑥𝑛 ∗ 𝑝 𝑥 ∗ (1 − 𝑝)𝑛−𝑥
𝐸(𝑋) = 𝑛 ∗ 𝑝
𝑉𝑎𝑟(𝑋) = n ∗ p ∗ (1 − p)
6
Distribuição Hipergeométrica
Quando o resultado da experiência associada a uma variável aleatória numa dada repetição afeta a
probabilidade de sucesso e insucesso da repetição seguinte, deve utilizar-se a Distribuição
Hipergeométrica.
A função de probabilidade de uma variável aleatória que segue uma distribuição hipergeométrica é
dada por:
𝑆! (𝑁 − 𝑆)!
𝐶𝑥𝑆 𝐶𝑛−𝑥
𝑁−𝑆
𝑥! (𝑆 − 𝑥 )! (𝑛 − 𝑥 )! (𝑁 − 𝑆 − 𝑛 + 𝑥 )!
𝑓(𝑥 ) = =
𝐶𝑛𝑁 𝑁!
𝑛! (𝑁 − 𝑛)!
Sendo,
𝑁: Número total de elementos na população 𝑛: Número de repetições na amostra
𝑆: Número total de sucessos na população 𝑥: Número de sucessos na amostra
𝑁 − 𝑆: Número de não sucessos na população 𝑛 − 𝑥: Número de não sucessos na amostra
sos 7
Exemplo: Suponha que temos uma urna com 3 bolas azuis e 7 vermelhas. Retirando sequencialmente
e sem reposição 3 bolas, qual o número de bolas azuis que pode sair?
3 2 1
AAA 3 bolas azuis 𝑃(𝐴1 ∩ 𝐴2 ∩ 𝐴3 ) = 𝑃(𝐴1 ) ∗ 𝑃(𝐴2 |𝐴1 ) ∗ 𝑃(𝐴3 |𝐴1 ∩ 𝐴2 ) = ∗ ∗ = 0,0083 0,0083
10 9 8
3 2 7
AAV 𝑃(𝐴1 ∩ 𝐴2 ∩ 𝑉3 ) = 𝑃(𝐴1 ) ∗ 𝑃(𝐴2 |𝐴1 ) ∗ 𝑃(𝑉3 |𝐴1 ∩ 𝐴2 ) = ∗ ∗ = 0,0583
10 9 8
2 bolas azuis e 1 3 7 2
AVA
vermelha 𝑃(𝐴1 ∩ 𝑉2 ∩ 𝐴3 ) = 𝑃(𝐴1 ) ∗ 𝑃(𝑉2 |𝐴1 ) ∗ 𝑃(𝐴3 |𝐴1 ∩ 𝑉2 ) = ∗ ∗ = 0,0583 0,175
10 9 8
7 3 2
VAA 𝑃(𝑉1 ∩ 𝐴2 ∩ 𝐴3 ) = 𝑃(𝑉1 ) ∗ 𝑃(𝐴2 |𝑉1 ) ∗ 𝑃(𝐴3 |𝑉1 ∩ 𝐴2 ) = ∗ ∗ = 0,0583
10 9 8
3 2 7
AVV 𝑃(𝐴1 ∩ 𝑉2 ∩ 𝑉3 ) = 𝑃(𝐴1 ) ∗ 𝑃(𝑉2 |𝐴1 ) ∗ 𝑃(𝑉3 |𝐴1 ∩ 𝑉2 ) = ∗ ∗ = 0,175
10 9 8
1 bola azul e 2 7 3 6
VAV
vermelhas 𝑃(𝑉1 ∩ 𝐴2 ∩ 𝑉3 ) = 𝑃(𝑉1 ) ∗ 𝑃(𝐴2 |𝑉1 ) ∗ 𝑃(𝑉3 |𝑉1 ∩ 𝐴2 ) = ∗ ∗ = 0,175 0,525
10 9 8
7 6 3
VVA 𝑃(𝑉1 ∩ 𝑉2 ∩ 𝐴3 ) = 𝑃(𝑉1 ) ∗ 𝑃(𝑉2 |𝑉1 ) ∗ 𝑃(𝐴3 |𝑉1 ∩ 𝑉2 ) = ∗ ∗ = 0,175
10 9 8
3 bolas 7 6 5
VVV
vermelhas 𝑃(𝑉1 ∩ 𝑉2 ∩ 𝑉3 ) = 𝑃(𝑉1 ) ∗ 𝑃(𝑉2 |𝑉1 ) ∗ 𝑃(𝑉3 |𝑉1 ∩ 𝑉2 ) = ∗ ∗ = 0,2917 0,2917
10 9 8
8
X – “Nº de bolas azuis obtidas na experiência A”
𝑥𝑖 0 1 2 3
𝑓(𝑥𝑖 ) 0,2917 0,525 0,175 0,0083
𝐹(𝑥𝑖 ) 0,2917 0,8167 0,9917 1,0000
9
𝑋 ~ 𝐻 (𝑁 = 10, 𝑆 = 3, 𝑛 = 3), sendo 𝑁 o número total de bolas, 𝑆 o número total de bolas azuis e 𝑛
o número de extrações.
𝐶𝑥𝑆 𝐶𝑛−𝑥
𝑁−𝑆
𝑓(𝑥 ) =
𝐶𝑛𝑁
10
Distribuição de Poisson
A Distribuição de Poisson é o modelo utilizado para fenómenos aleatórios em que existem sucessos
pontuais que se repetem ao longo de uma unidade de tempo.
Uma variável aleatória X que siga uma distribuição de Poisson tem a seguinte função de probabilidade:
𝑒 −𝜆 𝜆𝑥
𝑓 (𝑥 ) = , para 𝑥 = 0, 1, 2, … , 𝑛 𝑒 𝜆 > 0
𝑥!
Sendo,
λ é a taxa média de sucessos num dado intervalo de tempo ou espaço
𝑒 = 2,71828
𝑥 é o número de sucessos num dado intervalo de tempo ou espaço
11
A média e a variancia de uma variável aleatória X que segue uma distribuição de Poisson é:
𝐸 (𝑋) = 𝑉𝑎𝑟(𝑋) = 𝜆
Exemplo: Dados demonstram que, em média, ocorrem 0,4 greves por ano na indústria do calçado.
a) Qual é a probabilidade de num ano ocorrer uma greve?
𝑒 −𝜆 𝜆𝑥 𝑒 −0,4 0,41
𝑓(1) = = = 0,2681
𝑥! 1!
Seja X uma variável aleatória que segue uma distribuição Binomial com média 𝑛 ∗ 𝑝 e seja 𝑥 o número
de sucessos resultante de 𝑛 experiências independentes, cada uma com probabilidade de sucesso 𝑝.
12
Quando n é grande (𝒏 ≥ 𝟐𝟎) e p é pequeno (𝒑 ≤ 𝟎, 𝟏), a distribuição Binomial pode ser aproximada
pela distribuição de Poisson, com 𝝀 = 𝒏 ∗ 𝒑.
Nesse caso, a função de probabilidade de uma variável X que siga uma distribuição binomial pode ser
calculada de forma aproximada por:
𝑒 −𝑛𝑝 𝑛𝑝𝑥
𝑓(𝑥 ) = , para 𝑥 = 0, 1, 2, …
𝑥!
13